题目重点：设计字段与记录级风险识别，比较规则、模型和 RAG，并保护检测流水线本身。
题意与假设
这道练习题保留了面经中值得训练的核心约束，并将需要澄清的条件单独列出。现场拿到变体时，先和面试官确认这些条件。
- 风险类别、法规范围和允许访问权限需先确认；本文是技术分类方案，不提供法律结论。
- 敏感信息只进入经授权的受控处理环境，分类结果保存必要证据摘要。
解题路线
- 先定义检测对象是schema字段、单元格、文档还是跨字段组合；列风险taxonomy和人工标注协议，避免“隐私”变成无边界标签。
- 结构规则处理邮箱/标识符形状，NER/分类模型补上下文；RAG可检索政策与例子支持判断，但不替代数据扫描，也不能把不可信内容当指令。
- 分块扫描、checkpoint与增量CDC避免每次全库重读；对分区抽样量化覆盖，不能把样本无问题当全库无风险。
- 输出recordID/field/category/confidence/规则版本及必要脱敏证据；高风险或低置信度走人工审阅，追踪漏报和误报。检测日志同样最小化敏感内容。
- 阈值按漏报成本选择，评估分语言/字段类型/来源；修复与删除是独立授权流程，不把分类自动变成不可逆操作。
手动走一遍
“123456”可能是普通商品号或敏感账号片段，模式只能提供线索，需要字段上下文。政策更新后按version重评受影响记录，保留历史决策依据但限制原始值留存。
规模与取舍
全扫描N字节至少O(N)读取；model调用按chunk与token预算，增量量取决于变更率。限速/隔离避免扫描压垮主数据库。
易错点与追问
容易失分的边界
- RAG一句话替代整个方案。
- 把全量敏感数据送往未经确认的外部服务。
- 只报accuracy忽略罕见风险漏检。
继续深挖
- 跨字段组合风险如何识别？
- 如何验证未知格式的召回能力？
